Você está treinando um classificador de imagens supervisionado para detectar gatos. Você tem um total de 1.000 imagens e um conjunto de testes fixo de 100 imagens. Você observa que mais de 75% das classificações incorretas ocorrem quando os donos seguram os gatos de cabeça para baixo. Qual técnica reduzirá especificamente esse tipo de erro?

Aumentar os dados de treinamento com variações de rotação é a técnica mais eficaz porque o problema está na capacidade do modelo de generalizar para imagens com orientações incomuns. Ao incluir exemplos de gatos de cabeça para baixo no conjunto de treinamento (ou aplicando rotações aleatórias durante o treinamento), o modelo aprende a reconhecer gatos independentemente da sua orientação, abordando diretamente a causa raiz do erro. Aumentar o número de épocas pode levar a overfitting se os dados de treinamento não forem representativos. Adicionar mais camadas pode aumentar a complexidade, mas não resolve a falta de variabilidade de orientação nos dados. Aumentar a taxa de dropout ajuda a prevenir overfitting, mas não ensina o modelo a lidar com orientações específicas que não foram vistas.